A multi-agent reinforcement learning scheduling algorithm integrating state graph and task graph structural modeling for ride-sharing dispatching
s41598-026-35004-8 et al. — 2026
Résumé (FR)
Cet article propose DualG-MARL, un cadre d’apprentissage par renforcement multi-agents basé sur l’attention aux graphes, utilisant une modélisation à double chemin des graphes d’état des véhicules et des graphes de tâches. Le cadre extrait des caractéristiques structurelles spatiales via des noyaux de diffusion multi-ordre et introduit un masque de faisabilité combiné avec un mécanisme de filtrage Top-K pour le matching inter-graphes. Cette approche améliore à la fois l’efficacité de la prise de décision et la qualité des assignations dans les scénarios de dispatch de covoiturage. Les expériences démontrent des performances supérieures aux méthodes de l’état de l’art sur des benchmarks standards. La modélisation duale des graphes permet de capturer simultanément les relations spatiales entre véhicules et les interdépendances entre tâches.
Summary (EN)
DualG-MARL is a graph-attentive multi-agent reinforcement learning framework employing dual-path modeling of vehicle state graphs and task graphs for ride-sharing dispatch. It extracts spatial structural features via multi-order diffusion kernels and introduces a feasibility mask with Top-K filtering for cross-graph matching, enhancing decision-making efficiency and assignment quality. Experiments validate superior performance over state-of-the-art benchmarks.
Points clés
| Aspect | Détail |
|---|